ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN
BOOTSTRAP AGGREGATING CLASSIFICATION AND REGRESSION
TREES (BAGGING CART)
SKRIPSI
Disusun Oleh :
DESY RATNANINGRUM
24010211140097
JURUSAN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2015
i
ANALISIS KLASIFIKASI NASABAH KREDIT MENGGUNAKAN
BOOTSTRAP AGGREGATING CLASSIFICATION AND REGRESSION
TREES (BAGGING CART)
Disusun Oleh :
DESY RATNANINGRUM
24010211140097
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains
pada Jurusan Statistika
JURUSAN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2015
ii
HALAMAN PENGESAHAN I
Judul : Analisis Klasifikasi Nasabah Kredit Menggunakan Bootstrap
Aggregating Classification and Regression Trees (Bagging
CART)
Nama : Desy Ratnaningrum
NIM : 24010211140097
Jurusan : Statistika
Telah diujikan pada sidang Tugas Akhir tanggal 5 Oktober 2015 dan dinyatakan
lulus pada tanggal 26 Oktober 2015.
Semarang, Oktober 2015
Mengetahui,
Ketua Jurusan Statistika
FSM UNDIP,
Dra. Dwi Ispriyanti, M.SiNIP. 195709141986032001
Ketua Panitia Penguji
Ujian Tugas Akhir,
Dra. Suparti, M.SiNIP. 196509131990032001
iii
HALAMAN PENGESAHAN II
Judul : Analisis Klasifikasi Nasabah Kredit Menggunakan Bootstrap
Aggregating Classification and Regression Trees (Bagging
CART)
Nama : Desy Ratnaningrum
NIM : 24010211140097
Jurusan : Statistika
Telah diujikan pada sidang Tugas Akhir tanggal 5 Oktober 2015.
Semarang, Oktober 2015
Pembimbing I
Moch. Abdul Mukid, S.Si, M.SiNIP. 197808172005011001
Pembimbing II
Triastuti Wuryandari, S.Si, M.SiNIP. 197109061998032001
iv
KATA PENGANTAR
Alhamdulillah, puji syukur kehadirat Allah SWT atas rahmat, hidayah,
serta karunia-Nya sehingga tugas akhir dengan judul “Analisis Klasifikasi
Nasabah Kredit Menggunakan Bootstrap Aggregating Classification and
Regression Trees (Bagging CART)” dapat terselesaikan.
Tugas akhir ini tersusun atas bimbingan dan kerjasama dari berbagai pihak
selama penulisan tugas akhir. Pada kesempatan ini penulis menyampaikan
terimakasih yang sebesar-besarnya kepada :
1. Ibu Dra. Dwi Ispriyanti, M.Si selaku Ketua Jurusan Statistika Fakultas Sains
dan Matematika Universitas Diponegoro.
2. Bapak Moch. Abdul Mukid, S.Si, M.Si selaku dosen pembimbing I dan Ibu
Triastuti Wuryandari, S.Si, M.Si selaku dosen pembimbing II atas bimbingan
dan arahannya.
3. Bapak dan Ibu dosen Jurusan Statistika Fakultas Sains dan Matematika
Universitas Diponegoro.
4. Semua pihak yang telah membantu penulis dalam penulisan tugas akhir ini.
Penulis menyadari bahwa penulisan tugas akhir ini masih belum sempurna.
Sehingga penulis mengharapkan kritik dan saran demi kesempurnaan penulisan
selanjutnya.
Semarang, Oktober 2015
Penulis
v
ABSTRAK
Kredit merupakan salah satu fasilitas yang disediakan oleh bank denganmeminjamkan uang kepada seseorang maupun badan usaha dalam jangka waktuyang ditentukan. Kelancaran pembayaran angsuran kredit sangat penting bagipihak bank karena sangat berpengaruh terhadap kinerja serta eksistensinya dalamkehidupan sehari-hari. Penerimaan calon nasabah kredit perlu dipertimbangkanuntuk meminimalisir terjadinya kredit macet. Classification and Regression Trees(CART) merupakan salah satu metode statistika yang dapat digunakan untukmengidentifikasi potensi status nasabah kredit yaitu kredit lancar dan kreditmacet. Variabel prediktor yang digunakan dalam penelitian ini yaitu jeniskelamin, usia, status marital, jumlah anak, pekerjaan, pendapatan, tenor/jangkawaktu, dan kepemilikan rumah. Untuk meningkatkan stabilitas dan akurasiprediksi digunakan metode Bootstrap Aggregating Classification and RegressionTrees (Bagging CART). Pengklasifikasian nasabah kredit menggunakan metodebagging CART menghasilkan ketepatan klasifikasi sebesar 81,44%.
Kata Kunci : Kredit, Bootstrap Aggregating Classification and Regression Trees(Bagging CART), Ketepatan Klasifikasi
vi
ABSTRACT
Credit is one of the facilities provided by banks to lend money to someone or abusiness entity within the prescribed period. The smooth repayment of credit isessential for the bank because it influences the performance as well as its presencein daily life. Acceptance of prospective credit customers should be considered tominimize the occurrence of bad credit. Classification and Regression Trees(CART) is a statistical method that can be used to identify potency of creditcustomer status such as current credit and bad credit. The predictor variables usedin this study are gender, age, marital status, number of children, occupation,income, tenor / period, and home ownership. To improve the stability andaccuracy of the prediction were used the Bootstrap Aggregating Classification andRegression Trees (Bagging CART) method. The classification of credit customersusing Bagging CART gives the classification accuracy 81,44%.
Keywords : Credit, Bootstrap Aggregating Classification and Regression Trees(Bagging CART), Classification Accuracy
vii
DAFTAR ISI
Halaman
HALAMAN JUDUL ............................................................................................... i
HALAMAN PENGESAHAN I .............................................................................. ii
HALAMAN PENGESAHAN II............................................................................ iii
KATA PENGANTAR ............................................................................................. iv
ABSTRAK............................................................................................................... v
ABSTRACT............................................................................................................ vi
DAFTAR ISI.......................................................................................................... vii
DAFTAR GAMBAR................................................................................................ x
DAFTAR TABEL..................................................................................................... xi
DAFTAR LAMPIRAN........................................................................................... xii
BAB I PENDAHULUAN
1.1 Latar Belakang ............................................................................. 1
1.2 Rumusan Masalah ....................................................................... 3
1.3 Batasan Masalah..................................................................................... 3
1.4 Tujuan........................................................................................... 4
BAB II TINJAUAN PUSTAKA
2.1 Pengertian Kredit.......................................................................... 5
2.1.1 Pengertian Kredit ............................................................... 5
2.1.2 Unsur-unsur Kredit............................................................. 5
2.1.3 Tujuan dan Fungsi Kredit................................................... 7
2.2 Classification and Regression Trees (CART)............................... 8
2.3 Struktur atau Bentuk Pohon Klasifikasi CART ............................ 9
viii
2.4 Binary Recursive Partitioning...................................................... 11
2.5 Langkah Kerja CART .................................................................. 12
2.5.1 Pemilahan Simpul (Splitting Nodes) ....................................... 13
2.5.2 Proses Pelabelan Kelas (Class Assignment) ............................ 16
2.5.3 Proses Penghentian Pemilahan (Stop the Splitting) .............. 17
2.5.4 Proses Pemangkasan Pohon Klasifikasi (Pruning) ............ 17
2.6 Bootstrap Aggregating (Bagging) ................................................ 20
2.7 Ketepatan Klasifikasi ................................................................... 21
BAB III METODOLOGI PENELITIAN
3.1 Data .............................................................................................. 23
3.2 Variabel Penelitian ....................................................................... 23
3.3 Langkah-langkah Analisis Data ................................................... 23
3.4 Diagram Alir Analisis Data ......................................................... 26
BAB IV HASIL DAN PEMBAHASAN
4.1 Deskripsi Data .............................................................................. 27
4.2 Pembagian Data............................................................................ 27
4.3 Deskripsi Data Learning Pohon Klasifikasi Pertama................... 29
4.4 Pembentukan Pohon Klasifikasi Pertama .................................... 29
4.4.1 Proses Pemilahan Simpul (Splitting Nodes)....................... 29
4.4.2 Proses Pelabelan Kelas (Class Assignment)....................... 36
4.4.3 Proses Penghentian Pemilahan (Stop the Splitting) ........... 37
4.4.4 Proses Pemangkasan Pohon Klasifikasi (Pruning) ............ 37
4.5 Prediksi pada Pohon Klasifikasi Pertama..................................... 42
ix
4.6 Pohon Klasifikasi Kedua sampai ke-25 ....................................... 43
4.7 Prediksi dengan Majority Vote ..................................................... 43
4.8 Ketepatan Klasifikasi Bagging CART ......................................... 44
BAB V KESIMPULAN .................................................................... 45
DAFTAR PUSTAKA ....................................................................... 46
LAMPIRAN ...................................................................................... 47
x
DAFTAR GAMBAR
Halaman
Gambar 1. Pohon Klasifikasi ......................................................................... 10
Gambar 2. Proses Partisi................................................................................. 12
Gambar 3. Pemilahan Simpul t....................................................................... 14
Gambar 4. Pohon Klasifikasi T ...................................................................... 18
Gambar 5. Cabang .................................................................................... 18
Gambar 6. Pohon Klasifikasi − ............................................................. 19
Gambar 7. Diagram Alir Metode Analisis Data ............................................. 26
Gambar 8. Pemilahan Simpul Akar pada Pohon Klasifikasi Pertama............ 36
Gambar 9. Simpul 23 dan 24 pada Pohon Klasifikasi Pertama...................... 37
Gambar 10. Simpul 13 pada Pohon Klasifikasi Pertama yang Dipangkas..... 40
Gambar 11. Simpul 4 pada Pohon Klasifikasi Pertama yang tidak
Dipangkas ................................................................................... 42
xi
DAFTAR TABEL
Halaman
Tabel 1. Matriks Konfusi................................................................................. 22
Tabel 2. Variabel Independen.......................................................................... 25
Tabel 3. Deskripsi Variabel Usia, Jumlah Anak, Pendapatan, dan Tenor/Jangka
Waktu................................................................................................. 27
Tabel 4. Deskripsi Variabel Jenis Kelamin, Status Marital, Pekerjaan, dan
Kepemilikan Rumah .......................................................................... 28
Tabel 5. Deskripsi Variabel Usia, Jumlah Anak, Pendapatan, dan Tenor/Jangka
Waktu pada Data Learning Pertama .................................................. 29
Tabel 6. Deskripsi Variabel Jenis Kelamin, Status Marital, Pekerjaan, dan
Kepemilikan Rumah pada Data Learning Pertama ........................... 30
Tabel 7. Goodness of Split Variabel Pekerjaan ............................................... 35
Tabel 8. Matriks Konfusi Hasil Klasifikasi Menggunakan Bagging CART... 44
xii
DAFTAR LAMPIRAN
Halaman
Lampiran 1. Data Nasabah Kredit Bank di Provinsi Lampung...................... 47
Lampiran 2. Pohon Klasifikasi Maksimal Pertama........................................ 48
Lampiran 3. Pohon Klasifikasi Optimal Pertama........................................... 49
Lampiran 4. Output Pemilahan Simpul (Splitting Nodes) pada Pohon
Klasifikasi Maksimal Pertama .................................................... 50
Lampiran 5. Observasi dan Prediksi Nasabah Kredit Bank di Provinsi
Lampung Tahun 2011 Berdasarkan Metode Bagging CART ... 52
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Lembaga keuangan merupakan suatu lembaga yang bergerak di bidang
keuangan dimana kegiatannya hanya menghimpun dana atau hanya menyalurkan
dana atau kedua-duanya menghimpun dan menyalurkan dana (Kasmir, 2004).
Salah satu lembaga keuangan yang dikenal oleh masyarakat adalah bank. Di
Indonesia, terdapat berbagai jenis bank yang menyediakan berbagai layanan jasa
keuangan yang dibutuhkan baik oleh masyarakat maupun perusahaan.
Bank menurut Undang-Undang RI nomor 10 tahun 1998 tentang perbankan
adalah badan usaha yang menghimpun dana dari masyarakat dalam bentuk
simpanan dan menyalurkannya kepada masyarakat dalam bentuk kredit dan atau
bentuk-bentuk lainnya dalam rangka meningkatkan taraf hidup rakyat banyak
(Kasmir, 2002). Jelas dikatakan bahwa bank memiliki peran penting terhadap
kelangsungan hidup masyarakat. Seseorang atau kelompok yang memiliki usaha
atau sedang akan merintis usaha tidak perlu khawatir lagi jika merasa tidak
memiliki modal atau kekurangan modal, karena bank tidak hanya berfungsi
sebagai tempat menyimpan uang tetapi menyediakan jasa keuangan lainnya yang
dapat dimanfaatkan. Salah satu jasa keuangan yang kini sangat diminati oleh
masyarakat maupun perusahaan adalah layanan jasa kredit.
Undang-Undang No. 10 tahun 1998 dalam Kasmir (2002) menyebutkan
bahwa kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan
2
dengan itu, berdasarkan persetujuan atau kesepakatan pinjam meminjam antara
bank dengan pihak lain yang mewajibkan pihak peminjam untuk melunasi
utangnya setelah jangka waktu tertentu dengan pemberian bunga. Dengan
menggunakan jasa kredit ini, seseorang akan merasa terbantu untuk membiayai
kebutuhan mereka baik kebutuhan pribadi maupun sebagai modal usaha, tetapi
mereka memiliki kewajiban untuk membayar angsuran dalam jangka waktu yang
ditentukan. Namun pada kenyataannya, tidak semua orang taat untuk membayar
angsuran kredit pada waktu yang ditentukan. Hal ini dapat merugikan pihak bank
jika terjadi dalam waktu berkepanjangan sehingga pihak bank harus selektif dalam
menerima calon debitur untuk meminimalkan resiko kredit macet.
Lancar atau tidaknya pembayaran angsuran kredit sangat penting bagi pihak
bank karena sangat berpengaruh terhadap kinerja serta eksistensisnya dalam
kehidupan sehari-hari. Untuk itu diperlukan suatu cara agar dapat mengetahui
bagaimana pola nasabah yang dikatakan lancar maupun tidak lancar sehingga
dapat membantu pihak bank dalam mengklasifikasikan nasabahnya. Dengan
demikian pihak bank dapat mempertimbangkan calon nasabah yang akan diterima
ataupun ditolak dari hasil pengklasifikasian tersebut.
Salah satu metode statistika yang dapat digunakan untuk mengklasifikasikan
nasabah kredit yaitu kredit lancar dan kredit macet adalah Classification and
Regression Trees (CART). Tujuan dari CART adalah mengklasifikasikan suatu
kelompok observasi atau sebuah observasi ke dalam suatu sub kelompok dari
suatu kelas-kelas yang diketahui. CART memiliki beberapa kelebihan diantaranya
yaitu hasilnya mudah diinterpretasikan dan lebih cepat perhitungannya. Metode
3
ini merupakan metode yang dapat diterapkan pada data yang memiliki jumlah
besar dan variabel yang banyak. Namun demikian, hasil pohon klasifikasi CART
cenderung tidak stabil, karena perubahan-perubahan kecil pada data learning akan
mempengaruhi hasil akurasi prediksi. Menurut Breiman (1996) untuk
memperbaiki stabilitas dan kekuatan prediksi CART dapat digunakan metode
bootstrap aggregating (bagging) CART.
Berdasarkan latar belakang, penulis akan melakukan pengklasifikasian
dengan metode bagging CART untuk mendapatkan prediksi terhadap nasabah
kredit, sehingga pada penelitian ini penulis memilih judul “Analisis Klasifikasi
Nasabah Kredit Menggunakan Bootstrap Aggregating Classification and
Regression Trees (Bagging CART)”.
1.2 Rumusan Masalah
Berdasarkan latar belakang, permasalahan yang akan dibahas pada
penelitian ini adalah bagaimana menentukan ketepatan pengklasifikasian nasabah
kredit berdasarkan analisis Bootstrap Aggregating Classification and Regression
Trees (Bagging CART)?
1.3 Batasan Masalah
Dalam penyusunan tugas akhir ini terdapat batasan masalah pada
pembahasan tentang pengklasifikasian nasabah kredit menggunakan metode
Bootstrap Aggregating Classification and Regression Trees (Bagging CART).
Pembahasan hanya dilakukan pada pembentukan pohon klasifikasi, dan data yang
digunakan adalah nasabah kredit pada salah satu bank di Provinsi Lampung.